Qu’en est-il des externalités du capital des technologies de l’information?
Bibliographic record
Abstract
Nous appliquons des techniques économétriques aux données par industrie des économies canadiennes et américaines pour examiner s’il existe des externalités associées à la composante technologies de l’information de l’intrant capital. Les résultats issus de la technique conventionnelle de données en panel sont comparés à ceux issus de la méthode d’estimation des données en panel hétérogènes et dynamiques. Comme pour les résultats de la littérature économique, nous trouvons que la méthode conventionnelle des données en panel ne permet pas de montrer un lien positif entre l’intrant capital des technologies de l’information et la production. Ceci traduit l’incapacité de cette technique à rendre compte, à la fois, du caractère hétérogène des données et de l’aspect dynamique du phénomène considéré ici. La méthode dynamique des données en panel permet, en revanche, de trouver un impact positif et significatif de long terme des intrants. Les résultats confirment la présence d’importantes externalités associées aux technologies de l’information pour les États-Unis, reflétant ainsi le rôle de chef de file de ce pays dans ce domaine. Au Canada, en revanche, l’élasticité associée au capital des technologies de l’information est proche de la pondération issue du cadre de la comptabilité de la croissance. De plus, les résultats paramétriques ne permettent pas, dans l’ensemble, de rejeter l’hypothèse de rendements constants au niveau agrégé pour le Canada, justifiant ainsi le bien-fondé du modèle de comptabilité de la croissance.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.076 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".